PDF 到结构化数据：三类难啃文档的失败特征与兜底

文档解析，指的是把 PDF、扫描件、图片这类以版面形式存在的文件，转成保留标题层级、段落归属与表格结构、并可以被程序检索的数据。它常被当成一个纯技术环节，但它其实决定了知识库的原料质量 —— 原料错了，检索与生成都是在错误的基础上叠加

三类难啃的文档

大多数解析工具在结构规整的文字型 PDF 上表现都不错。真正会出问题的是这三类：

• 扫描件与拍照件：没有文字层，必须先做识别，识别质量受清晰度、倾斜角度与印章遮挡影响。
• 双栏与图文混排：阅读顺序不是简单的从上到下、从左到右，按坐标排序常把两栏内容交错拼接。
• 内嵌表格与附录：合并单元格、跨页续表、脚注与批注，都会打乱行列关系。

这三类的共同点是：解析工具通常会给出结果而不是报错，所以问题只能靠抽查发现，不会自己浮出来。

失败长什么样

• 段落错位：一句话被拆进两个不同段落，或两栏内容交错，读起来像语序错乱。
• 表格塌陷：数字全部堆成一列，表头与数据分离，金额与项目对不上。
• 层级丢失：所有标题都变成正文，章节结构消失，切片时无从按层级切分。
• 异常字符残留：识别失败处出现替换字符，且数量不多，容易被整篇忽略过去。

验收时不要只看前几页。上述问题通常集中在图表密集的中后段与附录，而那恰恰是业务上最常被查的地方。

兜底做法

把解析结果分成三档处理，比追求一次性百分百准确更现实：

• 可自动通过：结构完整、无异常字符、表格行列数正常的文档，直接入库。
• 需人工确认：涉及金额、条款、参数的关键片段，由业务方抽检确认后再入库。
• 暂不入库：解析置信度低的关键文档，标记为待重新扫描或待人工录入，而不是带着错误进库。

另外两点很实用：保留原始文件与解析结果的对应关系，便于回溯到是哪一页出的错；把解析时间与工具版本记下来，出现批量问题时可以定位到是哪一批产生的。

解析质量差，后面每一步都要付代价

解析的问题不会停在这一步，它会沿着流水线逐级放大，而且每一级的代价都比上一级高：

• 切片阶段：段落错位让语义边界无法判断，只能退回固定长度切分，前面的结构努力作废。
• 检索阶段：表格塌陷后数字失去列名，系统能命中，但给不出能解释的答案。
• 回答阶段：模型只能照抄错误数据，而且因为看不到表头，它连怀疑的依据都没有。
• 治理阶段：无法判断问题出在原始文件、识别环节还是解析环节，修复只能靠重做一遍。

验收口径

• 抽查若干份真实文档，用肉眼比对原文与解析结果，重点看表格与层级。
• 关键字段（金额、日期、编号、条款序号）能单独取出来核对，而不是只能读整段文本。
• 解析结果里没有无法解释的异常字符残留。
• 存在一条明确路径，把低质量解析结果挡在知识库之外。